SIFT（尺度不變特徵變換，Scale-Invariant Feature Transform）是在計算機視覺領域中檢測和描述影象中區域性特徵的演算法，該演算法於1999年被David Lowe提出，並於2004年進行了補充和完善。該演算法應用很廣，如目標識別，自動導航，影象拼接，三維建模，手勢識別，視訊跟蹤等。不幸的是，該演算法已經在美國申請了專利，專利擁有者為Lowe所在的加拿大不列顛哥倫比亞大學，因此我們不能隨意使用它。

由於SIFT演算法在計算機視覺的特徵檢測和特徵描述中表現十分優異，因此該演算法一經提出，就引起了廣泛的關注。國內外對其研究的人很多，相關的資料也很多。在csdn中，有幾位作者的文章對SIFT演算法介紹得很詳細，如網名為：zddhub、Rachel Zhang和xiaowei_cqu。由王永明和王貴錦所編著的，由國防工業出版社出版的《影象區域性不變性特徵與描述》也對該演算法進行了詳細的介紹。上述文章對我幫助很大。

經過一段時間的研究，並結合opencv中的原始碼，自認為對SIFT演算法有了一定的認識和體會，因此也寫了一篇關於SIFT的文章。該文章共分為三部分，首先是SIFT的演算法分析，然後是opencv的原始碼分析，最後是應用例項。在演算法分析中，注意了每個細節的描述；在原始碼分析中，基本做到了每條程式碼都進行了註釋；在應用例項中，列舉了特徵提取和影象匹配兩個例項。

本想把這篇文章發表在這裡，但文章比較長（有30多頁），關鍵是公式太多，複製貼上太麻煩，排版也不好。因此我把這篇文章分別上傳到了csdn和百度文庫，地址是：

http://wenku.baidu.com/view/d7edd2464b73f242336c5ffa.html

http://download.csdn.net/detail/zhaocj/8294793

可以線上閱讀，也可以免費下載（在這裡，鄙視那些設定下載許可權和積分的人！！！）。如果上述方法都不方便，可以留下email，向我索要。文章中錯誤的地方歡迎指正！

為了不使這篇博文過於空洞，我把這篇文章的第三部分貼上在這裡。

首先給出的是特徵點的檢測：

#include "opencv2/core/core.hpp"
#include "highgui.h"
#include "opencv2/imgproc/imgproc.hpp"
#include "opencv2/features2d/features2d.hpp"
#include "opencv2/nonfree/nonfree.hpp"

using namespace cv;
//using namespace std;

int main(int argc, char** argv)
{
   Mat img = imread("box_in_scene.png");

   SIFT sift;    //例項化SIFT類

   vector<KeyPoint> key_points;    //特徵點
   // descriptors為描述符，mascara為掩碼矩陣
   Mat descriptors, mascara;
   Mat output_img;    //輸出影象矩陣

   sift(img,mascara,key_points,descriptors);    //執行SIFT運算
   //在輸出影象中繪製特徵點
   drawKeypoints(img,     //輸入影象
	   key_points,      //特徵點向量
	   output_img,      //輸出影象
	   Scalar::all(-1),      //繪製特徵點的顏色，為隨機
       //以特徵點為中心畫圓，圓的半徑表示特徵點的大小，直線表示特徵點的方向
	   DrawMatchesFlags::DRAW_RICH_KEYPOINTS);     

   namedWindow("SIFT");
   imshow("SIFT", output_img);
   waitKey(0);

   return 0;
}
 

結果如下圖所示：

上面的程式需要說明一點的是，如果需要改變SIFT演算法的預設引數，可以通過例項化SIFT類的時候更改，例如我們只想檢測20個特徵點，則例項化SIFT的語句為：

SIFT sift(20);

下面給出利用描述符進行影象匹配的例項：

#include "opencv2/core/core.hpp"
#include "highgui.h"
#include "opencv2/imgproc/imgproc.hpp"
#include "opencv2/features2d/features2d.hpp"
#include "opencv2/nonfree/nonfree.hpp"
#include "opencv2/legacy/legacy.hpp"

using namespace cv;
using namespace std;

int main(int argc, char** argv)
{
   //待匹配的兩幅影象，其中img1包括img2，也就是要從img1中識別出img2
   Mat img1 = imread("box_in_scene.png");
   Mat img2 = imread("box.png");

   SIFT sift1, sift2;

   vector<KeyPoint> key_points1, key_points2;

   Mat descriptors1, descriptors2, mascara;

   sift1(img1,mascara,key_points1,descriptors1);
   sift2(img2,mascara,key_points2,descriptors2);
   
   //例項化暴力匹配器——BruteForceMatcher
   BruteForceMatcher<L2<float>> matcher;  
   //定義匹配器運算元
   vector<DMatch>matches;  
   //實現描述符之間的匹配，得到運算元matches
   matcher.match(descriptors1,descriptors2,matches);

   //提取出前30個最佳匹配結果
   std::nth_element(matches.begin(),     //匹配器運算元的初始位置
	   matches.begin()+29,     // 排序的數量
	   matches.end());       // 結束位置
   //剔除掉其餘的匹配結果
   matches.erase(matches.begin()+30, matches.end());

   namedWindow("SIFT_matches");  
   Mat img_matches;  
   //在輸出影象中繪製匹配結果
   drawMatches(img1,key_points1,         //第一幅影象和它的特徵點
	   img2,key_points2,      //第二幅影象和它的特徵點
	   matches,       //匹配器運算元
	   img_matches,      //匹配輸出影象
	   Scalar(255,255,255));     //用白色直線連線兩幅影象中的特徵點
   imshow("SIFT_matches",img_matches);  
   waitKey(0);

   return 0;
}

結果如下圖所示：

程式是通過距離測度實現兩幅影象描述符之間的比較的，距離越小，匹配性越好，越說明這兩個描述符表示的是同一事物。描述符的匹配結果儲存在匹配器運算元matches中。如果直接使用matches，匹配效果並不好，因為它是儘可能的匹配所有的描述符。因此我們要進行篩選，只保留那些好的結果。在這裡，我們利用排序，選擇距離最小的前30個匹配結果，並進行輸出。另外，matcher.match函式中，兩個描述符的順序一定不能寫反，否則執行會出錯。